V. HASIL DAN PEMBAHASAN
5.1. Validasi Model Pertumbuhan Total Aset Bank Syariah di Indonesia
5.1.1. Uji Stasioneritas
Sebelum melakukan estimasi persamaan untuk mengetahui pengaruh satu variabel bebas terhadap variabel terikat, maka langkah pertama yang harus
dilakukan adalah dengan melakukan uji stasioneritas. Uji ini diperlukan agar data menjadi stasioner, karena data yang tidak stasioner akan menimbulkan fenomena
regresi palsu atau spurious regression atau regresi lancung, yaitu regresi yang menggambarkan hubungan dua variabel atau lebih yang nampaknya signifikan
secara statistik padahal dalam kenyataannya tidak sebesar regresi yang dihasilkan tersebut. Berdasarkan hasil uji unit root yang dilakukan dengan menggunakan The
Augmented Dickey-Fuller ADF test dan Phillips-Perron PP test terlihat bahwa
data stasioner pada tingkat level dan first difference. Hasil uji stasioner dapat dilihat pada Tabel 5.1.
Tabel 5.1. Hasil Uji Unit Root No Variabel
Hasil Test
Keterangan 1.
2. 3.
4. 5.
6. 7.
8. Log TA
CAP I_Riil
JKB Log GDP
ROA Log NPF
INF Stasioner pada first difference
Stasioner pada level Stasioner pada first difference
Stasioner pada first difference Stasioner pada first difference
Stasioner pada level Stasioner pada first difference
Stasioner pada first difference ADF test
ADF test PP test
ADF test PP test
ADF test PP test
PP test
Keterangan: signifikan pada taraf nyata 1 persen signifikan pada taraf nyata 10 persen
Berdasarkan Tabel 5.1 di atas dapat diketahui bahwa semua data yang digunakan dalam penelitian ini sudah bersifat stasioner, dimana dua variabel
stasioner pada level, yaitu variabel CAP dan ROA, sedangkan enam variabel lainnya stasioner pada first difference. Enam variabel yaitu Log Total aset, I_Riil,
JKB, log GDP, Log NPF dan INF signifikan pada taraf nyata 1 persen, dan satu variabel signifikan pada taraf nyata 10 persen, yaitu variabel ROA. Oleh karena
data yang digunakan, baik itu variabel bebas maupun variabel terikat sudah stasioner maka persamaan dapat diestimasi dengan menggunakan OLS.
5.1.2. Asumsi OLS
Asumsi-asumsi yang melekat pada model regresi dengan metode OLS adalah harus memenuhi asumsi-asumsi Non Multicolinearity, Homoscedasticity,
dan Non Autocorrelatiaon. Jika asumsi tersebut tidak dipenuhi maka tidak akan menghasilkan nilai parameter yang BLUE Best Linear Unbiased Estimator.
Tabel 5.2. Hasil Estimasi Persamaan Regresi Berganda
Variabel Koefisien Prob.
T-Statistic
C -0,0198 0,4153
ROA 0,0084 0,0318
CAP-4 0,0015 0,2103
DJKB-1 0,2757 0,0447
DJKB-2 0,6656 0,0000
DLGDP-3 0,9975 0,0000
DI_RIIL-5 -0,0068 0,0559
DLNPF-3 -0,0007 0,0178
DINF -0,0094 0,0092
DUMMY 0,0043 0,6833
AR 1 -0,6251
0,0000
R-squared 0,7202 ProbF-statistic
0,0000
Uji Breusch-Godfrey Correlation LM Prob ObsR-Square
0,8517
Uji White Heteroskedasticity Prob ObsR-Square
0,5116
Berdasarkan Tabel 5.2 di atas, menunjukkan hasil estimasi model dan uji ekonometrika.
a. Uji Multikolinearitas
Pada penelitian ini model terbebas dari masalah multikolinearitas. Hal ini dapat dilihat dari uji Correlation Matrix yang telah dilakukan, dimana tidak ada
satupun variabel yang memiliki nilai koefisien korelasi yang lebih dari |0,8| Sarwoko, 2005. Hasil pengujian ini dapat dilihat pada Lampiran 7.
b. Uji Heteroskedastisitas
Asumsi kedua yang harus dipenuhi adalah model harus terbebas dari masalah heteroskedastisitas. Ada atau tidaknya heteroskedastisitas dapat dilihat
dengan melakukan uji White Heteroskedasticity. Hasil uji tersebut dapat dilihat pada Tabel 5.2. Nilai probability ObsR-Square pada uji White Heteroskedasticity
adalah sebesar 0,5116, nilai ini lebih besar dari taraf nyata 10 persen. Hal ini menunjukkan bahwa model estimasi persamaan terbebas dari masalah
heteroskedastisitas. c.
Uji Autokorelasi Asumsi terakhir yang harus dipenuhi adalah terbebasnya model dari
masalah autokorelasi. Uji Autokorelasi dilakukan untuk melihat apakah terdapat korelasi serial antara serangkaian observasi yang diurutkan menurut waktu
seperti dalam data time series atau ruang seperti dalam data cross section. Untuk mendeteksi terdapat atau tidaknya serial korelasi didalam model, dapat
dilihat pada uji Breusch-Godfrey Serial Correlation LM Test Tabel 5.2. Nilai probability ObsR-Square pada uji LM test pada model penelitian ini adalah
0,8517. Nilai ini lebih besar dari taraf nyata yang digunakan. Hal ini berarti model terbebas dari masalah autokorelasi. Pada penelitian ini digunakan AR1. Tujuan
penggunaan AR adalah untuk menghilangkan masalah autokorelasi yang muncul pada model.
5.2. Faktor-faktor yang Mempengaruhi Pertumbuhan Total Aset Bank